上一篇
HiCo是什么？一文让你看懂HiCo的技术原理、主要功能、应用场景
Ferret-UI 2是什么？一文让你看懂Ferret-UI 2的技术原理、主要功能、应用场景
来源：卓商AI
发布时间：2025-04-05
Ferret-UI 2概述简介
Ferret-UI 2是苹果公司推出的多模态大型语言大模型，用在理解和交互移动用户界面。Ferret-UI 2能识别和理解各种移动设备屏幕上的UI元素，执行复杂的用户指令，实时观察用户在移动设备屏幕上的操作，随时准备提供帮助和执行任务。Ferret-UI 2相较于早期版本进行了大幅改进和更新。基于高分辨率图像编码和先进的数据训练方法，提升UI元素的识别精度和交互能力，用户能更自然、高效地与智能设备互动。
Ferret-UI 2的功能特色
多平台支持：Ferret-UI 2能处理包括iPhone、Android、iPad、Webpage和AppleTV在内的多种平台的用户界面。
高分辨率图像感知：基于自适应缩放技术，Ferret-UI 2能在保持原始UI截图分辨率的同时，实现更准确的视觉元素识别。
高级任务训练数据生成：基于GPT-4o和set-of-mark视觉提示，Ferret-UI 2生成用于复杂任务的训练数据，提升模型对UI元素空间关系的理解。
用户中心交互：Ferret-UI 2能理解、执行用户为中心的交互任务，如确认提交、点击按钮等，不仅仅是机械点击。
跨平台迁移能力：Ferret-UI 2展示了强大的跨平台转移能力，能在不同的平台之间迁移和适应。
Ferret-UI 2的技术原理
多模态大型语言大模型（MLLM）：结合视觉感知和语言处理的能力，理解和生成对UI的复杂交互。
自适应N网格机制：基于算法确定最优的网格大小，用最小的分辨率失真和像素变化编码UI截图的每个部分。
动态高分辨率图像编码：用CLIP图像编码器提取全局和局部特征，将特征送入大型语言大模型（LLM）。
视觉采样器：根据用户指令识别、选择相关的UI区域，输出对UI元素的感知或交互描述。
set-of-mark（SoM）视觉提示：在生成训练数据时，用SoM提示增强模型对UI元素空间关系的理解，特别是在多轮感知和交互问答任务中。
端到端训练：模型通过端到端的训练过程，从原始数据注释中学习，生成高质量的训练数据并优化模型性能。
Ferret-UI 2项目介绍
arXiv技术论文：https://arxiv.org/pdf/2410.18967
Ferret-UI 2能做什么？
智能手机和平板电脑：Ferret-UI 2能理解、执行用户在iOS和Android设备上的各种指令，如导航应用程序、发送消息、设置提醒等。
网络浏览：在网页浏览中，帮助用户更有效地与网页元素交互，比如点击按钮、填写表单、导航链接等。
智能电视：对于Apple TV等智能电视平台，提供语音控制和其他交互方式，增强用户体验。
多任务环境：在需要同时处理多个应用程序或窗口的场景中，帮助用户更高效地管理和切换不同的任务。
辅助技术：集成到辅助技术中，帮助残障人士通过语音命令或其他输入方式与设备交互。
© 版权声明:本站所有原创文章版权均归卓商AI工具集及原创作者所有，未经允许任何个人、媒体、网站不得转载或以其他方式抄袭本站任何文章。
相关文章
-
CHANGER是什么？一文让你看懂CHANGER的技术原理、主要功能、应用场景2025-04-05 -
Kiroku是什么？一文让你看懂Kiroku的技术原理、主要功能、应用场景2025-04-05
-
Vision Search Assistant是什么？一文让你看懂Vision Search Assistant的技术原理、主要功能、应用场景2025-04-05
-
MVDrag3D是什么？一文让你看懂MVDrag3D的技术原理、主要功能、应用场景2025-04-05
-
Chonkie是什么？一文让你看懂Chonkie的技术原理、主要功能、应用场景2025-04-05
-
MSQA是什么？一文让你看懂MSQA的技术原理、主要功能、应用场景2025-04-05
卓商AI
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
最新发布
1
2
3
4
5
6
7
8
9
10
猜你喜欢
Semantic Chunkers
Semantic Chunkers 是一个多模态分块库，用于智能地对文本、视频和音频进行分块，提高AI和数据处理的效率和准确性。...
The Daily Dad Joke
The Daily Dad Joke是一个AI生成的爸爸笑话平台。它每天提供新的爸爸笑话，让人们快乐一笑。这些笑话都是由AI生成的，因此非常有趣和幽默...
TCAN
TCAN是一种基于扩散模型的新型人像动画框架，它能够保持时间一致性并很好地泛化到未见过的领域。该框架通过特有的模块，如外观-姿态自适应层(APPA层)...
hypefury
Hypefury是您在Twitter上获得社交媒体成功的个人助理。使用来自顶级影响者的经过验证的技术，Hypefury强大的AI自动化工具可帮助您毫不...
360AI导航
360AI导航是一个集合了多种人工智能工具和资源的平台，旨在为用户提供一站式的AI服务体验。该平台涵盖了从AI资讯、AI搜索、AI绘画到AI写作等多个...
AI-Driven Research Assistant
AI-Driven Research Assistant是一个高级的AI驱动研究助理系统，它利用多个专门化的智能体来协助进行数据分析、可视化和报告生成...
Trellis AI
Trellis是一款面向企业和专业团队的PDF工作流自动化平台。其核心功能是利用先进的AI技术，将复杂的PDF文档、表格和手写内容快速、准确地转化为可...
Dotomo
Dotomo是一款旨在帮助用户整理房间的应用程序。通过趣味性的方式提醒用户清理房间，例如将衣物比作叛乱者，灰尘比作文明等，使得整理房间的过程更加有趣和...
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
